前 DeepMind 研究员创业公司 Elorian 发布首个模型 Glimpse：让 AI 在推理中途“回头看图”

想象一下这个场景：你拍下一盘刚和朋友们下完的桌游，问 AI 谁赢了。它答不上来。对成年人类来说，看几个图标就能明白局势，但模型做不到。前 Google DeepMind 研究员 Andrew Dai 把这一幕当作“AI 其实还看不见”的证据，并据此创办了 Elorian。10 月 16 日，这家公司发布了首个模型 Glimpse。

一分钟速览

• Palo Alto 公司 Elorian 在未发布产品前，就以 3 亿美元估值完成 5500 万美元种子轮融资。
• 首个模型 Glimpse 以研究预览形式发布，提供 API，聊天界面采用候补名单制。
• 核心机制是“视觉暂存区”：推理中途可裁剪局部、抽取视频帧，或运行代码测量与比对。
• 定价为每百万 token 输入 0.60 美元、输出 3 美元。
• 据其自评，Glimpse 在科学图表推理与短视频描述上超过 GPT-6 Astra，其他视觉推理任务表现具有竞争力。
• 投资方由 Striker Venture Partners、Menlo Ventures、Altimeter Capital 联合领投，英伟达与谷歌首席科学家 Jeff Dean 参与。

问题的指认：看一次，然后凭记忆说话

Dai 的批评相当具体：今天的大多数多模态模型，只“看”图像一次，把它转成 token，然后就在文本空间里推理——就像凭记忆描述一张照片。Elorian 的做法是让模型不断回到源头：推理进行到一半时，它可以裁剪进某个区域、从视频里拉出特定帧，或者运行代码去测量、比对眼前的东西。Elorian 把这个机制称为“视觉暂存区”。用日常体验类比，就是你在手机照片上双指放大，去确认自己刚才是不是看错了。

不是首创，但被做成了主轴

需要客观地说，这种做法并非全新——OpenAI 早在 2025 年就给 o 系列模型在推理过程中加上了裁剪与放大能力。Elorian 的说法是，它把这个机制当作模型的整体设计来搭建，并且做得便宜：公司称团队用几百块 GPU 训练出 Glimpse，规模明显小于它所对标的那些前沿系统。

数据与定价

Glimpse 的定价是每百万 token 输入 0.60 美元、输出 3 美元——比 Sonnet 这类中档模型便宜，但比 Haiku、Luna 这类轻量模型贵。按其自评，Glimpse 在科学图表推理和短视频描述上超过了 GPT-6 Astra，其他视觉推理任务上表现具有竞争力。首发瞄准的是手里有大量视频数据的公司：机器人企业、科研实验室、媒体与创意公司。更长期的目标是从“看见”走向“行动”——构建场景模型并据此选择动作，包括直接控制机器人。Dai 表示，公司明年的目标是做出“世界上最好的视觉推理模型”。

为什么这条路线值得盯

过去两年，多模态能力的竞争主要发生在“能不能看懂”上，而 Glimpse 把问题推到了“能不能反复核对”。这在工程上是有现实意义的：图表、文档、机械装配图、监控视频，这些场景的共同点是需要精确读数，而不是泛泛描述。当然，所有 benchmark 都由厂商自评，实际泛化能力仍要通过第三方评测与真实业务验证——尤其是“推理中途调用代码”带来的延迟与成本，是否真能在生产环境里被接受。